2019-03-06Kaggle的Python数据分析入门教程：https://www.kaggle.com/kanncaa1/data-sciencetutorial-for-beginners
另外入门级别的kernels就是Titanic和房价预测：
1、https://www.kaggle.com/c/titanic
2、https://www.kaggle.com/c/house-prices-advanced-regression-techniques编辑回复: 对的，Kaggle里很多数据集都不错，另外在专栏里也会讲到关于信用卡违约率分析和信用卡欺诈分析。下面整理了一些数据集，更多数据集，可以通过https://www.kaggle.com/datasets 查找
Titanic: Machine Learning from Disaster
Titanic乘客生存预测
https://www.kaggle.com/c/titanic
House Prices-Advanced Regression Techniques
预测房价
https://www.kaggle.com/c/house-prices-advanced-regression-techniques
MNIST手写数字识别
https://www.kaggle.com/scolianni/mnistasjpg
Passenger Satisfaction
乘客满意度，提供了美国航空公司US Airline乘客满意度数据
https://www.kaggle.com/johndddddd/customer-satisfaction
Bike Sharing Demand
自行车共享数据库，用于预测自行车的共享需求
https://www.kaggle.com/lakshmi25npathi/bike-sharing-dataset
San Francisco Building Permits
5年时间，三藩市20万的建筑许可
https://www.kaggle.com/aparnashastry/building-permit-applications-data
San Francisco Crime Classification
12年时间的三藩市的犯罪记录
https://www.kaggle.com/kaggle/san-francisco-crime-classification 12
2019-03-07老师可以总结一下，这十个算法的应用场景、优缺点吗编辑回复: 首先十个经典算法代表了十种数据挖掘思想，基于他们都有不少算法的变种和改进，对数据挖掘的影响是非常深远的。
另外这十大经典算法，解决的问题也不同，按照解决问题来划分的话：
分类算法：C4.5，朴素贝叶斯（Naive Bayes），SVM，KNN，Adaboost，CART
聚类算法：K-Means，EM
关联分析：Apriori
连接分析：PageRank
所以这十大算法要解决的问题也不同，比如分类是一种有监督的学习方式，事先知道样本的类别，通过数据挖掘可以将不同类别的样本进行区别，从而对未知的物体进行分类。而聚类是一种无监督的学习方式，事先不知道样本的类别，而是通过相关属性分析，将具有类似属性的物体聚成一类。
所以对十大算法的理解，想要知道他们解决的是哪类问题。然后针对同一类问题，比如分类问题，也有不同种解法，比如C4.5，朴素贝叶斯，SVM，KNN等。
不同的算法实际上都有自己对这个问题分析的方式，很难说哪种算法更优，哪个算法不好。实际上这和我们的样本有很大关系，不同的样本属性，样本分布，特征值等，采用不同的算法结果都会有差别，最好的方式就是都做一遍，然后选择针对这个训练集/测试集最优的算法。所以你能看到，在后面的练习中，我们往往都在采用多种算法。
另外我想说的是，关于算法的研究，这十大算法是根基，很多人都会在这些算法基础上提出自己的模型，就类似于研究生期间发表论文，都是在这些算法（会有这个算法相应的参考文献）的基础上进行的改进。同时，也会给出自己所采用的的数据集，然后针对这个数据集，采用传统方法和改进方法进行对比，得出结论。所以：算法是可以改进的，采用哪个适合和数据集也有关系，很多时候都会做一遍然后选择适合的。 5
2019-03-06一、sklearn自带的小数据集（packageddataset）：sklearn.datasets.load_<name>
1)鸢尾花数据集：load_iris（）：用于分类任务的数据集
2)手写数字数据集：load_digits（）:用于分类任务或者降维任务的数据集
3)乳腺癌数据集load_breast_cancer（）：简单经典的用于二分类任务的数据集
4)糖尿病数据集：load_diabetes（）：经典的用于回归认为的数据集，值得注意的是，这10个特征中的每个特征都已经被处理成0均值，方差归一化的特征值。
5)波士顿房价数据集：load_boston（）：经典的用于回归任务的数据集
6)体能训练数据集：load_linnerud（）：经典的用于多变量回归任务的数据集。
体能训练数据集中的特征名称linnerud.feature_names为['Chins', 'Situps', 'Jumps']
鸢尾花数据集的特征名称iris.feature_names为['sepal length (cm)','sepal width (cm)','petal length (cm)','petal width (cm)']展开作者回复: 很好的总结 感谢
3
2019-03-23https://www.kaggle.com/learn/overview 页面里有分类好的比较简单的kernel，可以fork kernel在kaggle上运行，也可以下载ipynb或者rmd文件在自己的电脑上运行。比较经典的kaggle竞赛有泰坦尼克预测，房价预测，数字识别等，刚起步时可以参考这些竞赛里的kernel.
另外，有一个开源组织ApacheCN有一些kaggle的培训，有很多相关的活动，也可以找同伴组队参加比赛。编辑回复: 整理的不错 可以看看 https://www.kaggle.com/learn/overview
2
2019-03-06import sklearn.datasets as db
# help(db)#可以查看文档，有很多的数据集
# 准备数据集
iris=db.load_iris()
print(iris.feature_names)
结果
['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)']
说来惭愧，到现在为止，都还没有注意到Kaggle的重要性。刚去看看了入门，发现这篇文章介绍的不错
http://www.360doc.com/content/18/0106/16/44422250_719580875.shtml#
一些摘要
Kaggle成立于2010年，是一个进行数据发掘和预测竞赛的在线平台。从公司的角度来讲，可以提供一些数据，进而提出一个实际需要解决的问题；从参赛者的角度来讲，他们将组队参与项目，针对其中一个问题提出解决方案，最终由公司选出的最佳方案可以获得5K-10K美金的奖金。
除此之外，Kaggle官方每年还会举办一次大规模的竞赛，奖金高达一百万美金，吸引了广大的数据科学爱好者参与其中。从某种角度来讲，大家可以把它理解为一个众包平台，类似国内的猪八戒。但是不同于传统的低层次劳动力需求，Kaggle一直致力于解决业界难题，因此也创造了一种全新的劳动力市场——不再以学历和工作经验作为唯一的人才评判标准，而是着眼于个人技能，为顶尖人才和公司之间搭建了一座桥梁。展开作者回复: kaggle给数据分析师提供了非常好的数据集
2- 2019-03-06在第21课朴素贝叶斯分类（下），对中文文档进行分类，老师可以提供完整代码吗？一直遇到对中文词组不支持的问题？
编辑回复: 完整代码在https://github.com/cystanford/text_classification
1 
2020-01-29尝试过kaggle上预测房价的项目，适合入门作者回复: 不错 加油
2019-12-28有一个问题想请教一下老师，每次做算法模型训练，用训练集数据拟合一个模型后，如何把它保存下来，如果不保存拟合后的模型，每次要做新的预测时，难道都要用样本训练集重新拟合模型？作者回复: 可以使用picke工具
import pickle
# fp_lr_model 是模型保存的文件位置
pickle.dump(lr_model, open(fp_lr_model, 'wb'))
lr_model = pickle.load(open(fp_lr_model, 'rb'))- 2019-07-22我觉得在kaggle可以学到很多数据处理的方法，看厉害的人怎么做的，是个很不错的网站
作者回复: 对 有不少优质的kernel可以参考和学习
2019-07-07K-Means的例子还是看不懂编辑回复: 这里想说明的是KMeans计算的中心点，实际上是这个类别里所有点的 属性值的平均值。然后作为这个新的中心点的属性值。如果还不理解的话，可以加数据分析的微信群
2019-04-23预减枝就是在划分子树的时候不能带来准确度的提升，就不划分。后减枝就是试着减掉每一个叶子节点，看准确度是否有提升。- 2019-03-27学校学了一遍，这里又学一遍，这才把东西学透点，但是我好奇为啥课堂上学不会呀?[滑稽]（老师是个海归）
编辑回复: 哈哈 需要和知识反复交朋友，其实很多需要推导的知识，往往需要学习多次，所以也很正常。
- 2019-03-06老师 为什么三个相关性大的特征只选一个呢？原理是什么？
编辑回复: 首先特征选择是数据挖掘(机器学习)中的重要问题之一，一般来说对于数据特征空间大的数据集来说，我们需简要对特征进行选择，也就是选取有代表性的特征，来降低特征空间的冗余度，提升算法的效率。
特征选择的过程，你可以理解是从m个特征中选择n个特征的过程，文章中从三个相关性大的特征只选择一个，目的是在于降低冗余信息，缩减特征维数。 - 2019-03-06在第21课朴素贝叶斯分类（下）：
在模块4:生成朴素贝叶斯分类器，特征训练集的特征空间 train_features，以及训练集对应的分类 train_labels 是如何获取的。老师并没有讲清楚。